O que o MDS faz é concentrar a informação de cada variável para duas ou três variáveis. Suponha que as 6 variáveis tenham cerca de 17% da variância (quantidade de informação) cada. O MDS cria novas 6 variáveis, porém, digamos, a primeira tem 60% da informação, a segunda, 30%, etc. Plotando um crossplot das duas primeiras novas variáveis, teremos 90% da informação de todas as 6 variáveis. É por isso é que se seleciona os maiores autovalores. Repare que isto não é combinar variáveis, mas transferir informação de uma variável para outra.
Em dom, 16 de set de 2018 às 11:13, Paulo Carvalho < paulo.r.m.carva...@gmail.com> escreveu: > Sérgio, vi um arco de parábola no teu último gráfico. Acredito que tenhas > feito isso para poder usar três variáveis (combinando duas) no crossplot > 2D. Para combinar múltiplas variáveis em duas coordenadas para ver um > crossplot, use MDS: https://en.wikipedia.org/wiki/Multidimensional_scaling > > Acredito que com alguns passos de cálculo seja possível criar as > coordenadas MDS, que nada mais são de que outras variáveis, e plotá-las no > crossplot 2D para ver os grupos. > > Resumindo o método: > 1) Calcular as dessemelhanças entre as amostras por uma fórmula de > distância qualquer, por exemplo, a distância Euclideana: > https://wikimedia.org/api/rest_v1/media/math/render/svg/c015e86e5cd0ed7a45f5c4c5107647b4d4970b14 > onde x e y são duas variáveis qualquer (ex.: B11 e NDVI), mas poderia ser > três, quatro, etc. nessa soma de quadrados dentro da raíz; i e j são os > índices das amostras. No exemplo, dij é a distância entre a i-ésima e a > j-ésima amostra. Tu podes usar outras fórmulas de distância, por exemplo, > a distância de Manhattan. > > 2) Depois de calcular todas as dessemelhanças entre todas as amostras, os > resultados são colocados em uma matriz: > https://wikimedia.org/api/rest_v1/media/math/render/svg/ac5a364c06c41eede6a8689a417c79b0b984046d > Se houver 1.000 amostras, a matriz terá 1.000.000 de elementos. A matriz > de dessemelhança é como se fosse aquelas tabelas de distâncias entre > cidades que havia nos mapas rodoviários de antigamente. > > Seguindo a analogia das cidades, temos suas distâncias, mas não suas > posições (x, y). O problema consiste em encontrar a posição relativa (x, > y)i de uma cidade i tal que, IDEALMENTE, a separação até uma cidade j seja > igual à distância entre elas computadas no passo 2). Ou seja, que o > comprimento do vetor ||(xi - xj), (yi - yj)|| seja igual a dij. Isso > acontece se o número de variáveis de entrada for dois. Como teremos 3 ou > mais, o que estamos tentando fazer na prática é planificar algo que tem 3 > ou mais dimensões, então o problema passa a ser de minimização porque as > distâncias dij são calculadas em função das variáveis de entrada. Assim o > valor ||(xi - xj), (yi - yj)|| - dij deve ser o mínimo. > > 3) Computar a matriz B, cujos elementos bij = 1/2 * ( dij^2 - di.^2 - > d.j^2 + d..^2 ), onde > bij = elemento da matriz B > dij = elemento da matriz de dessemelhanças > di. = i-ésimo vetor-linha (linha de uma matriz) da matriz de dessemelhanças > d.j = j-ésimo vetor-coluna (coluna de uma matriz) da matriz de > dessemelhanças > d.. = toda a matriz de dessemelhanças (notação com dois pontos) > A notação de um vetor ou matriz "ao quadrado" (ex.: di.^2) quer dizer > "pegue todos os elementos, eleve cada um ao quadrado e some tudo." > > 4) Decompor B em seus autovalores e autovetores (rever Álgebra Linear). > Essa decomposição resulta em duas matrizes: D = matriz com os autovalores > em sua diagonal principal (os outros elementos são zero). V = matriz cujas > colunas são os autovetores. > > 5) Para um crossplot 2D, pegue os dois maiores autovalores de D e monte > D1. Pegue os autovetores (colunas) de V correspondentes aos maiores > autovalores e monte V1. D1 será uma matriz 2 x 2 com os dois maiores > autovalores e V1 terá uma linha para cada amostra (ex. 1000) e duas colunas. > > 6) Para cada elemento não zero de D1, inverta (se o elemento for 5, deve > ser 1/5) e tire a raíz quadrada. > > 7) A solução X será o produto das matrizes V1 e D1 X = V1 * D1. X terá o > número de linhas igual ao de amostras (ex. 1000) e 2 colunas. A primeira > coluna será a coordenada x e a segunda, y. Essas coordenadas são usadas no > crossplot. > > Se quiseres um crossplot 3D, refaça os passos 5, 6 e 7, mas selecionado os > três maiores autovalores e X terá três coordenadas (x, y, z). > > Só isso! > > > > > Em sáb, 15 de set de 2018 às 20:12, Sérgio V. <svo...@hotmail.com> > escreveu: > >> Valeu, vou pesquisar. >> >> Tamo chegando lá. >> >> >> - - - - - - - - - - - - - - - - >> >> Sérgio - http://www.openstreetmap.org/user/smaprs >> >> >> ------------------------------ >> *De:* Paulo Carvalho <paulo.r.m.carva...@gmail.com> >> *Enviado:* sábado, 15 de setembro de 2018 19:53 >> *Para:* OSM talk-br >> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2 >> >> MDS (multi dimensional scaling) também ajuda na análise >> multidimensional. Veja se o QGis tem MDS. >> >> Em sáb, 15 de set de 2018 às 19:51, Paulo Carvalho < >> paulo.r.m.carva...@gmail.com> escreveu: >> >> Oi, Sérgio, o caminho é esse mesmo. Mas estás usando três variáveis: >> B11, NDVI e EVI2. Em rigor seria necessário um crossplot 3D, mas aí a >> análise visual começa a complicar. Nesse ponto eu usaria um dendrograma >> para analisar as classes. O QGis tem dendrograma? >> >> Em sáb, 15 de set de 2018 às 12:29, Sérgio V. <svo...@hotmail.com> >> escreveu: >> >> Ok, agora entendi esse negócio de manter as variáveis disponíveis sem >> fundir em uma. Valeu! >> -O NDVI distingue bem vegetal do que não é, e as classes de vegetal em >> diferentes graus de clorofila nas folhas, isto é crescimento, atividade >> vegetal. Mas nas matas densas tem mata nativa + mata plantada (pinus >> principalmente no RS). Mata plantada tem sempre atividade mais alta e >> valores mais altos de NDVI. Mata nativa já mistura: tem áreas e indivíduos >> com ambos estados, em crescimento e em estagnação/maturidade, mas tende a >> menor atividade de crescimento. >> >> Assim NDVI não distingue estas 2 dentro da mata ou em contato de bordas. >> Mas em imagem hi-res do Bing já é fácil distinguir uma da outra. Existe >> esta distinção de área de mata nativa separada de área de mata plantada. >> >> -O B11 distingue muito bem uma da outra, aproximadamente por volta do >> valor 1000: ~200 a 1000 (mais escuro) mata planta; ~1000 a 1600 (mais >> claro) mata nativa. Porém não distingue bem água/rio/sombra que fica entre >> ~0 a 300. Afeta um tanto pelas sombras em encostas, onde baixa o valor. >> >> Do que entendi, assim, usando ao mesmo tempo as 2 variáveis, uma poderia >> fazer >> o recorte onde a outra ainda mistura alguma coisa, uma apara as arestas >> da outra. >> >> >> Abaixo segue crossplot e mapa, coloridos na mesma base, as cores de NDVI >> para 12 classes. EVI2 é quase igual a EVI e a NDVI. Mas dizem que EVI e >> EVI2 são melhores para matas densas. NDVI pra vegetação em geral. >> >> >> "EVI (Enhanced Vegetation Index) - In areas of dense canopy where the >> leaf area index (LAI) is high, the NDVI values can be improved by >> leveraging information in the blue wavelength. " ( >> https://www.sentinel-hub.com/develop/documentation/eo_products/Sentinel2EOproducts >> ) >> >> >> "...contrary to that notion the Amazon forest does exhibit distinct >> growth during the dry season..." ( >> https://en.wikipedia.org/wiki/Enhanced_vegetation_index - # Application >> of EVI...) >> >> >> A ver o que acham. >> >> https://i.imgur.com/9dBhNjC.jpg >> >> >> Obrigado! >> >> - - - - - - - - - - - - - - - - >> >> Sérgio - http://www.openstreetmap.org/user/smaprs >> >> >> ------------------------------ >> *De:* Paulo Carvalho <paulo.r.m.carva...@gmail.com> >> *Enviado:* sexta-feira, 14 de setembro de 2018 18:14 >> *Para:* OSM talk-br >> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2 >> >> O problema, Sérgio, quando se usa uma fórmula, efetivamente estás >> resumindo duas variáveis a uma variável só. Pela forma da mancha no >> crossplot B11 versus NDVI, a correlação entre elas não é linear, ou seja, >> elas não informam a mesma coisa. Pelo contrário, temos que aumentar a >> dimensionalidade. Seria importante vermos como os pontos se agrupam. >> Talvez haja até bem mais do que duas classes. >> >> Em sex, 14 de set de 2018 às 17:10, Sérgio V. <svo...@hotmail.com> >> escreveu: >> >> Ok, ainda vou ver como fazer pra "definir a marca do crossplot para um único >> pixel" >> >> >> A coisa que me intriga ainda é que estava reexaminando as imagens e >> histogramas, nos pontos onde há certeza das 2 classes, wood e forest, que >> pode ser confirmada na alta resolução do Bing. >> >> E os histogramas me parecem ainda indicar que apontam para a confirmação da >> formulação empírica / gambiarra B11 x ((1-NDVI)*4000), nos valores de >> classes e diferenciação de: >> >> 1)wood (mais velha, pouco menos úmida, menos ativa em clorofila) >> >> 2)forest (mais jovem, mais úmida, mais ativa em clorofila) >> >> 3)o que não é nenhum dos 2 e pode ser retirado de vetorização (para >> "null"). >> >> >> Imagens junto com histogramas correspondentes do caso B11 x >> ((1-NDVI)*4000): >> >> https://i.imgur.com/4uKNw1r.jpg >> >> É a mesma área que peguei como exemplo desde o início, porque tem todos >> os tipos que poderiam interferir, e dá pra examinar se o >> resultado distingue bem wood e forest do resto: >> >> wood; forest; river; pond; campos ralos; farmland; estradas; ... >> >> Nos histogramas, no NDVI, as forest ocupam sempre os níveis mais altos, >> de vegetação crescendo ativamente; como próprio do NDVI; enquanto as >> wood variam mais no espectro: há área velhas e algumas em crescimento. >> Então há mistura das 2 classes. >> >> Já no B11 se destacam bem claramente entre si: uma não invade a margem de >> valores da outra. >> >> >> Se não fosse a água no B11 (~50a300) se misturar com forest(~150a1200), >> daria pra usar só B11. >> >> >> -No Cerrado, por exemplo, bastou usar só B11, não tem mata jovem/forest, >> nem mais úmida, deu pra usar só B11: >> >> água no B11 (~50a600) ; wood(~1000a1300). >> >> É que também os tipos são de vegetação do Cerrado são diferentes, matas >> mais secas, mais castigadas, do que as matas mais úmidas da Mata Atlântica. >> Acho sempre vão apresentar valores um tanto diferentes tendendo pro mais >> seco. >> >> >> https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests#Cerrado_.28vetorizado_e_100.25_validado_para_OSM.29 >> >> >> -Já na Amazônia, úmida mas também com áreas de mata velha, a ponderação >> teve que ser não x4000, mas x500, para B11 + ((1- NDVI ) * 500 ): >> >> >> https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests#Amaz.C3.B4nia_.28vetorizado_e_100.25_validado_para_OSM.29 >> >> >> Claro, se tivesse um índice ou fórmula única pra usar em todos biomas >> igualmente, seria melhor sem dúvida. >> >> Não sei se é possível. >> >> >> No scatterplot ainda vou ver como identificar os grupos ali dentro da >> mancha. >> >> Ainda vou ver o que vc indicou mais. >> >> Obrigado! >> >> >> >> - - - - - - - - - - - - - - - - >> >> Sérgio - http://www.openstreetmap.org/user/smaprs >> >> >> ------------------------------ >> *De:* Paulo Carvalho <paulo.r.m.carva...@gmail.com> >> *Enviado:* sexta-feira, 14 de setembro de 2018 13:45 >> *Para:* OSM talk-br >> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2 >> >> Oi, Sérgio, vamos lá... >> >> Em sex, 14 de set de 2018 às 12:25, Sérgio V. <svo...@hotmail.com> >> escreveu: >> >> Bom dia Paulo, pessoal. >> >> Fiz upscaling pra ver crossplot/scatterplot, com 549x549 px = 301.401 >> pixels (pontos); >> - Imagem original tava com 10.980x10.980 px = 120.560.400 pixels : >> 120.560.400 pontos, inviável, processador e RAM assobiaram. >> >> >> Perfeito. Não se faz análise exploratória dos dados com tantos pontos. >> 120M de amostras é impossível mesmo. E mesmo se fosse viável, daria para >> ver pouco. >> >> >> E abri os histogramas. >> >> Obtive os seguintes gráficos (em jpg no Imgur): >> >> Histograma B11 : https://i.imgur.com/jsvnFjj.jpg >> >> >> Só B11 parece dizer que há duas classes (as duas modas em 1200 e 2000 >> aproximadamente). Não obstante um tanto misturadas. Mas outra variável >> pode ajudar a desempatar. >> >> >> Histograma NDVI : https://i.imgur.com/FrEZGOO.jpg >> >> NDVI parece dizer que há três classes (as modas em 0,2; 0,6 e 0,7). A >> classe em centrada em 0,2 parece bem separada. >> >> >> Histograma (1-NDVI)*4000 : https://i.imgur.com/TUPi3Tl.jpg >> >> >> Não percas tempo com isso. Apenas mudou a escala. Ela continuia >> informando a mesma coisa: que parece haver três classes. >> >> >> >> Scatterplot B11 x NDVI : https://i.imgur.com/z4yPjtY.jpg >> Scatterplot B11 x (1-NDVI)*4000 : https://i.imgur.com/j4WuO7C.jpg >> >> >> Parece interessante, porém só aparece uma mancha negra. Seria importante >> vermos onde os pontos estão concentrados. Pontos concentrados são indícios >> de que há uma classe ali. Há como definir a marca do crossplot para um >> único pixel? Se não for possível, tenta reduzir a quantidade de amostras >> de ~100k para ~5k. >> >> abcs, >> >> PC >> >> >> (c/ reescale para abranger próximo da área plotada.) >> >> Anomalias de pixels acho que não tem muito. >> Nuvem já remove na escolha de imagem, por cloud=0. E verifica com B10 se >> ainda tem alguma mínima. >> >> A questão acho que centraria em encontrar uma referência de base >> universal (imagem original básica; ou algoritmo) para wood e forest, ou >> wood sozinho: >> B11 sozinho ? >> NDVI; ou EVI2; sozinhoS ? >> Fórmula empírica (podem chamar gambiarra tb) tipo B11 * (1-NDVI)*4000 ? >> Algum algoritmo mais pato (depois ainda vou estudar os algoritmos de >> classificação multivariados que vc indicou). >> De todo modo, a base da classificação, e possibilidade de >> mapeamento, parte de imagem original e/ou índices mais aptos. >> >> O objetivo a princípio é prático, para o OSM, não tanto científico: >> distinguir 2 classes, wood e forest, com precisão adequada, bastaria. >> >> NDVI e EVI2 exibem imagens muito parecidas; EVI2 indicam que é melhor pra >> mata densa. >> Mas comecei usando o NDVI, só pra eliminar o que não é vegetação; não pra >> fazer classe de vegetação, pois não encontrei valores limite aptos a >> separar classes. >> >> O que o o (1-NDVI) faz é tornar NDVI tudo número positivo, pra poder >> depois multiplicar(potencializar) o B11. >> >> Vi que O NDVI possibilita destacar tudo o que não é vegetação, e remover >> objetos que poderiam ainda ficar misturado no B11; por ter o foco em mapear >> matas. >> O B11 foi que observei de imediato que mais destaca "wood" e "forest" >> entre si. Mas wood é o que mais tem no Brasil. Forest, menos. >> >> Aí no B11, filtrado pelo x (1-NDVI)*4000, era só ver o range, só entre as >> 2, porque o resto já fica separado pelo NDVI. >> (se focar só nas 2, wood e forest; no resto do Brasil quase só wood, >> natural; mas se quiser todo o resto de landcover, mais classes, aí fica >> mais elementos a considerar; também dá, mas de preferência não abordaria >> isso agora): >> -forest (vegetaçao mais nova; mais escura; valores mais baixos) >> -wood (vegetação mais velha, mais clara, valores mais altos) >> E as anomalias (amplificação de anomalias), filtrando manual com "sieve" >> e "neighbors". >> O fato é que o resultado, filtrando, mesmo perdendo informação, aproximou >> da real grupo de wood e forest no terreno. >> >> Este que seria o objetivo: pegar wood e forest, quando há as 2 >> co-existindo; separadas entre si, e de todo o resto que não é. >> Quando "não" tem as 2 co-existindo numa região (florestas plantadas é >> mais na região Sul-Sudeste do BR), pegar só mata nativa (wood). >> Alcançando isto, tá feito para o objetivo inicial e prático! >> Claro, ainda se poderia ir tentando encontrar uma formulação que possa >> ser mais abrangente, pegar mais objetos de landcover. >> >> Bom, a ver o que acham. >> Em investigação. Parcialmente já estou satisfeito com os resultados. O >> modo ainda pode ser meio empírico, ou não muito científico, artístico >> digamos, de ir lapidando até fechar os polígonos de classes iguais, mas >> funcionou. Claro, se pudermos facilitar e universalizar, melhor. >> >> Obrigado pelos aportes já dados! >> >> >> - - - - - - - - - - - - - - - - >> >> Sérgio - http://www.openstreetmap.org/user/smaprs >> >> >> ------------------------------ >> *De:* Paulo Carvalho <paulo.r.m.carva...@gmail.com> >> *Enviado:* quinta-feira, 13 de setembro de 2018 14:05 >> *Para:* OSM talk-br >> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2 >> >> >> >> Em qui, 13 de set de 2018 às 13:08, Sérgio V. <svo...@hotmail.com> >> escreveu: >> >> Bom dia pessoal, Paulo e Gerald, obrigado pelos aportes! >> Tenho muito interesse em que se possa aprimorar o processo, e/ou >> facilitar, onde possível e necessário. >> -Gerald, baixei o artigo, vou olhar mais a fundo, exigirá mais tempo. >> -Paulo, infelizmente não apareceu a imagem exemplo que vc enviou, o >> talk-list não exibe imagem, só link. Se puder mandar em link (tipo >> imgur.com: https://i.imgur.com/n3LV9qJ.jpg), seria ótimo. >> >> >> Sem figuras? Precisamos sair da década de 1990! Aqui, é a figura 11 >> desse artigo: >> https://www.researchgate.net/publication/249553119_Optimizing_4D_fluid_imaging >> >> >> >> Estou tomando muito em consideração as suas colocações técnicas. >> >> Claro, quando cruzei B11+((1-NDVI)*4000), o objetivo foi arrastar pra >> fora tudo que não é mata, na Mata Altlâtica.Serviu ali. >> >> >> Ok. >> >> >> Não serviu nos outros biomas. Foquei só em forest e wood. Que já me >> pareceu bem identificável pelo B11, só que no B11 mistura perto de valores >> de água, e é mais afetado por sombra. Por isso a de filtra pelo NDVI o que >> não é matas. Usei só B11 e NDV( (B04 e B08). Não cruzei com a imagem RGB >> (TCI). Só usei ela pra observar. >> >> >> Quando teu problema começa a "pedir um monte de IF's" trata-se de um >> problema de tomada de decisão de múltiplas variáveis. Neste caso, a >> decisão é classificar cada pixel da imagem. Se tu tentares escrever IF's >> dentro de IF's para 6 variáveis, vai complicar. Na prática é um problema >> intratável diretamente. Para esse tipo de problema deve-se usar um >> algoritmo de classificação desses já sugeridos. Comece pelo crossplot B11 >> versus NDVI. O que ele mostra? Não tentemos abordar tudo isso de uma >> vez. Baby steps... >> >> >> Tinha testado o "SemiAutomaticClassificationPlugin (SCP)" >> https://github.com/semiautomaticgit/SemiAutomaticClassificationPlugin >> Mas achei muito difícil, 200 páginas de manual. Não sou especialista >> nisto. O que obtive foi lendo um tanto, catando métodos, e adaptando ou >> inventando filtro conforme o necessário, como naquelas equações de >> ponderação, baseado em teste e observação dos resultados. >> >> Do ponto de vista prático, pensava ainda no seguinte: não tenho, a >> princípio, a pretensão de mapear todo tipo de landcover. Mas quem >> quiser, e a comunidade concordar, claro. Pensei nas matas, por serem os >> agregados de vegetação mais densos, como um obstáculo geográfico; e pouco >> são mapeadas, ou razoavelmente bem, até pelo trabalho que dá, e dependendo >> de conhecimento nem sempre muito preciso. Apesar de gostar de matas, acho >> que são elementos acessórios no OSM. Ainda assim importantes de constar, >> como base de localização, referência cartográfica. Não necessitam de enorme >> resolução. Talvez ainda se pudesse baixar a resolução resultante. A ver o >> que vocês acham, e a comunidade. Enfim, tenho uma preferência pessoal por >> matas. Mas nada impede que um método permita mapear o resto. O objetivo é >> prático, cartografar o que seja de interesse e conveniente para o OSM. >> >> Acredito sim que seria ótimo em termos de obtenção geral de informações >> poder até ampliar as classes possíveis de detectar, ou usar mais >> adequadamente se possível. É muito bem-vinda sua ideia de: "tem um ótimo >> potencial para criar um classificador automático ou supervisionado robusto >> e válido em qualquer lugar, o que reduziria MUITO a >> quantidade de trabalho manual." Seria ótimo! Não entendi todos os passos >> que vc sugeriu, sou um tanto leigo no assunto quando passa para nível mais >> profundo. Vou pesquisar ainda com mais tempo o que vc falou. Se tiver uma >> formulação para indicar, os índices e métodos melhores, etc, para >> possibilidades de mapeamento assistido, será muito bem-vinda, ótima >> contribuição! Penso num método que seja relativamente fácil. Que quem >> desejar se aprofundar um pouco possa fazer no OSM. >> >> Seria bom se podermos encontrar meio para isso. Se quiser sugerir, >> podemos usar a mesma wiki para isso. Sobretudo afinamentos técnicos. O >> método tem objetivo de poder ser usado por qualquer um que tenha o >> interesse em se aprofundar pra mapear. Podemos usar a seção talk da mesma >> wiki, quem desejar contribuir, e ir afinando para imlplementar. >> >> https://wiki.openstreetmap.org/wiki/Talk:Vetoriza%C3%A7%C3%A3o_de_matas_com_Sentinel-2 >> Obrigado antecipadamente pelas contribuições! Já registradas ali. >> >> Por outro lado, a pergunta que ainda faço é: acham que o que tem ali já >> apresentaria resultado mapeável para upload ao OSM? Ainda que se possa >> afinar mais coisas. >> Penso sobretudo para Mata Atlântica. >> Baixar mais da atual resolução? (~ 100nós/km2; curvas com 1nó/10m). >> Ou poderíamos antes afinar ou ampliar mais o método? Ou concomitantemente? >> >> Eu acho que o método (atual) apresentou bons resultados, sobretudo nas >> áreas de bioma Mata Atlântica. >> Onde pensava mais em usar pra mapear, pelos seguintes motivos: >> -é a área de mata mais próxima da área de maior ocupação humana no >> Brasil, a faixa de 200km do litoral; é a que mais se transita; >> -pode ser feita em tiles parciais; dificilmente uma área extrapola muito >> uma imagem; >> -já no bioma Amazônia não, área de mata extrapola muito uma imagem; >> precisaria fazer tudo junto, ou ir grudando as matas de cada tile, ou gerar >> mega multi-polígonos; eu deixaria pra outro momento, mas se alguém quiser >> abraçar esta área, mapear assistidamente, legal; >> -cerrado tem alguma mata densa, mais ciliar; mapeia rápido, acredito; >> porém é extenso. >> -caatinga tem pouca mata densa, não gera uma cobertura; ficaria mais pra >> "natural=scrub"; e cobre todo o terreno, quase homogeneamente; não como um >> destacado objeto geográfico; mas pode ser feito quem tiver interesse; >> -pantanal, ainda vou testar; >> -pampa, ainda vou testar; tem matas e campo que são mais próximos da Mata >> Atlântica, semelhantes ao exemplo testado; as matas são fáceis de marcar. >> >> Porcentagem da área do Brasil: >> Amazônia 49,29 % >> Cerrado 23,92% >> Mata Atlântica 13,04 % >> Caatinga 9,92 % >> Pampa 2,07 % >> Pantanal 1,76 % >> >> A ver o que acham. >> >> Obrigado, >> >> >> >> - - - - - - - - - - - - - - - - >> >> Sérgio - http://www.openstreetmap.org/user/smaprs >> >> >> ------------------------------ >> *De:* Gerald Weber <gwebe...@gmail.com> >> *Enviado:* quinta-feira, 13 de setembro de 2018 10:06 >> *Para:* OpenStreetMap no Brasil >> *Assunto:* Re: [Talk-br] Vetorização de matas no OSM com Sentinel-2 >> >> Oi Sérgio >> >> iniciativa fantástica, por acaso vi este artigo hoje: >> Supervised Classification of Multisensor Remotely Sensed Images Using a >> Deep Learning Framework >> http://www.mdpi.com/2072-4292/10/9/1429 >> >> talvez seja de interesse >> >> abraço >> >> Gerald >> >> Obs: cirei um alerta no Google Acadêmico para me avisar sobre artigos >> científicos onde aparece a palavra "OpenStreetMap" >> >> 2018-09-12 20:40 GMT-03:00 Sérgio V. <svo...@hotmail.com>: >> >> Prezados(as), >> >> venho aqui expor e submeter à apreciação da comunidade OSM no Brasil uma >> proposta de método de mapeamento de matas para o OSM (natural=wood e >> landuse=forest) , baseado em vetorização semi-automatizada de imagens do >> satélite Sentinel-2, para o que peço autorização para uso em mapeamento no >> OSM no Brasil. >> >> A proposta detalhada passo-a-passo encontra-se documentada na página wiki >> "Vetorização de matas com Sentinel-2": >> >> https://wiki.openstreetmap.org/wiki/Vetoriza%C3%A7%C3%A3o_de_matas_com_Sentinel-2 >> >> Os testes já realizados (sem upload) encontram-se na página: >> >> https://wiki.openstreetmap.org/wiki/User:SergioAJV/Sentinel-2_vectorizing_tests >> >> O objetivo desta proposta, resumidamente, é contribuir com uma >> ferramenta para o mapeamento no OSM de grandes coberturas de matas. >> >> A justificativa consiste, basicamente, em que o método possibilita mapear >> grandes áreas de mata, de municípios ou regiões de interesse, >> adequadamente, mais rapidamente, e com melhor precisão geométrica do que o >> que comumente pode ser encontrado ou realizado em mapeamento exclusivamente >> manual e com as imagens disponíveis nem sempre atualizadas e que, de todo >> modo, não permitem escolha, como de épocas do ano mais propícias à >> identificação de vegetação. >> >> O método se destina a matas. Não se destina ao mapeamento de objetos >> pequenos. A resolução das imagens disponíveis é de 10 e 20m/pixel, e as >> geometrias >> resultantes da ordem de ~1nó/10m em curvas. Ainda assim maior do que se >> pode encontrar muitas vezes em mapeamento manual de "landcover", como >> matas. O processo pode gerar cerca de 100 a 150 nós por km2, em áreas >> com muita variedade de tipos de matas. O que significa cerca de 1.000.000 >> de nós a partir de 1 imagem Sentinel de 100x100km. Menos que isso em áreas >> mais homogêneas. >> >> O método exige o controle ativo dos parâmetros de distinção de classes de >> vegetação e demais elementos geográficos a partir das imagens de satélite, >> em todo o andamento do processo, até o resultado final na geração de >> vetores .osm. >> Exige certo tempo na aplicação dos passos, e sobretudo atenção, como na >> medição de valores de pixels para as classes de objetos, escolha de objetos >> para amostragem, bem como na verificação do resultado final. Não é um >> processo imediato. Ainda assim, permite grande ganho de tempo no mapeamento. >> >> Mais detalhes podem ser encontrados nas citadas páginas de documentação. >> >> Agradeço sua atenção e apreciação, acolhendo questões ou comentários no >> que desejarem e/ou julgarem necessário. >> >> >> - - - - - - - - - - - - - - - - >> >> Sérgio - http://www.openstreetmap.org/user/smaprs >> >> _______________________________________________ >> Talk-br mailing list >> Talk-br@openstreetmap.org >> https://lists.openstreetmap.org/listinfo/talk-br >> >> >> >> >> _______________________________________________ >> Talk-br mailing list >> Talk-br@openstreetmap.org >> https://lists.openstreetmap.org/listinfo/talk-br >> >> _______________________________________________ >> Talk-br mailing list >> Talk-br@openstreetmap.org >> https://lists.openstreetmap.org/listinfo/talk-br >> >> _______________________________________________ >> Talk-br mailing list >> Talk-br@openstreetmap.org >> https://lists.openstreetmap.org/listinfo/talk-br >> >> _______________________________________________ >> Talk-br mailing list >> Talk-br@openstreetmap.org >> https://lists.openstreetmap.org/listinfo/talk-br >> >> _______________________________________________ >> Talk-br mailing list >> Talk-br@openstreetmap.org >> https://lists.openstreetmap.org/listinfo/talk-br >> >
_______________________________________________ Talk-br mailing list Talk-br@openstreetmap.org https://lists.openstreetmap.org/listinfo/talk-br